Нейросеть для пептидов: российские ученые ускоряют поиск новых лекарств
Ученые в России разработали компактную нейросеть, которая помогает оценивать свойства пептидов – коротких цепочек аминокислот. Модель требует гораздо меньше вычислительных ресурсов, чем крупные белковые нейросети, и может ускорить поиск перспективных молекул для новых препаратов.
Поиск нового лекарства начинается задолго до того, как препарат попадет в лабораторию. Специалистам приходится перебирать огромное количество молекул и выяснять, какие из них работают: подавляют бактерии, снижают воспаление, влияют на обмен веществ или обладают другими полезными свойствами. Часть этой работы сегодня можно перенести из лаборатории в компьютер. Именно такой подход развивают ученые Центра искусственного интеллекта в химии НИУ ИТМО. Они создали нейросетевую модель dcBiLSTM-AE, которая анализирует пептиды и прогнозирует их биологические и физико-химические свойства.
Новая модель содержит около 90 тысяч параметров, это в тысячи раз меньше, чем у крупных белковых языковых моделей. Поэтому для ее работы не требуются огромные вычислительные мощности и массивы данных.
Зачем нужны пептиды?
Пептиды – это короткие цепочки аминокислот. Они участвуют в самых разных биологических процессах, а некоторые из них используются в медицине или рассматриваются как основа для создания новых препаратов. Например, отдельные пептиды обладают антимикробным или противовоспалительным действием. Другие могут быть интересны для терапии заболеваний, связанных с нарушением обмена веществ. Есть и пептиды, которые используются как часть таргетных лекарственных подходов.
Но определить полезные свойства молекулы по одному ее названию невозможно. Значение имеет то, из каких аминокислот она состоит и в каком порядке они расположены. Поэтому ученым приходится проверять множество вариантов. Традиционный путь –- синтезировать молекулу и отправить ее на лабораторные испытания. Это требует времени, материалов и работы специалистов. Если же часть кандидатов удается заранее отсеять с помощью компьютерной модели, лаборатория получает уже более короткий список наиболее интересных вариантов.Именно для этого и нужна разработка НИУ ИТМО.
Новое решение для старых задач
Российские специалисты создали компактный автокодировщик dcBiLSTM-AE. Внутренние представления пептида в нем изначально привязаны к его физико-химическим характеристикам. Модель не требует дообучения для объяснения результатов. С ее помощью можно не только получить прогноз, но и отследить, какое именно свойство пептида на него повлияло.
Модель была протестирована на восьми задачах. Среди них – антимикробная, противовоспалительная, антидиабетическая, антиоксидантная, гемолитическая активность, устойчивость к биообрастанию и растворимость в воде. Восьмая задача заключалась в том, что нейронка предсказывала минимальную концентрацию пептида, при которой подавляется рост кишечной палочки. По всем восьми задачам новая модель показала результаты, сопоставимые с большими языковыми моделями и заняла второе место среди шести аналогов.
Возможности для развития
Исследователи планируют распространить работу нейросети теперь уже на более длинные цепочки и редкие аминокислоты, которые не входят в стандартный набор из 20 природных соединений, а также адаптировать модель для работы с пептидами необычной формы. Например, замкнутыми в кольцо или с боковыми ответвлениями. Такие структуры могут усиливать биоактивность молекулы или помогать ей дольше оставаться в кровотоке, продлевая эффективность лекарства.
Перспективы для медицинской науки
Для фармацевтических компаний такая технология может стать частью раннего этапа разработки лекарственных препаратов. Компьютерные модели можно использовать для первичного скрининга, а затем передавать наиболее перспективные соединения на экспериментальную проверку. Если алгоритм поможет быстрее отбрасывать неудачные варианты, исследователи могут сосредоточиться на тех молекулах, которые действительно заслуживают дальнейшего изучения. Это потенциально будет сокращать количество ненужных экспериментов и экономить ресурсы.
Есть здесь и еще один важный момент – это доступность вычислений. Для работы с гигантскими моделями нужны серьезные вычислительные мощности. Компактный алгоритм можно запускать с гораздо меньшими затратами, а значит, подобные инструменты потенциально доступны более широкому кругу исследователей.
Для российской науки это особенно интересное направление, так как вместо гонки за большими нейросетями можно создавать компактные специализированные модели, которые решают конкретные задачи и при этом остаются понятными и доступными для исследователя. Конечная цель у такой работы логична и конкретна – быстрее находить молекулы, из которых возможно получить новые лекарства.
